//common_header.js  charest:utf-8

var j_code={
	_design:'<div class="content"> <h1 style="text-align:center" class="yellowsize">实验设计和数据分析咨询</h1><p>与翔的生物信息专家提供贯穿项目始终的针对实验设计、数据分析和结果讨论的专家咨询服务，以保证实验设计的科学性，数据分析的可靠性和结果论证的有效性。与翔专家对基于系统生物学研究范式的交叉学科类探索和数据整合有着深厚的经验积累，擅于为您的实验选择最合适的数据平台，并通过数据分析结果指导功能实验的深入开展。同时与翔的专家擅长于各类统计学分析和生物信息学方法应用的咨询，如果您的项目遇到了技术或者思路瓶颈，请不要犹豫<a href="contact.htm">联系我们</a>。</p><p></p><p></p> <p>　</p> <p></p> <p>..<br /> </p> </div>', 
	_mRNA:'<div class="content" class="next" > <h1 style="text-align:center" class="yellowsize">基因表达谱芯片数据分析</h1><p><span><font style="font-style:normal;font-weight:bolder" color="#000">芯片质量控制(Quality control,QC)</font>,通过对数据作图，可以评价实验数据的质量，了解数据的分布规律，从而决定下一步的分析方法。</span><table border="0"><tr><td><img src="New_Folder/QCR_small.jpg" /></td><td width="70"></td><td><img src="New_Folder/qcma_small.jpg"  /></td></tr><tr><td align="center">质量评估图</td><td>&nbsp;</td><td align="center">质量评估MA</td></tr></table><span><font style="font-style:normal;font-weight:bolder" color="#000">原始数据标准化</font>，对原始数据进行标准化处理，是为了消除背景噪音，过滤脏数据以及去除同一实验的不同芯片之间的实验误差，将不同芯片的数据调整到同一水平，使之具有可比性。</span> <table border="0"><tr><td><img src="new_Folder/boxplot_1_small.jpg" width="200" height="200" /></td><td width="70"></td><td><img src="new_Folder/boxplot_2_small.jpg" width="200" height="200" /></td></tr><tr><td align="center">标准化前的boxplot</td><td>&nbsp;</td><td align="center">标准化后的boxplot</td></tr></table><p><p><span><font style="font-style:normal;font-weight:bolder" color="#000">差异表达分析</font>，根据现在最流行的统计学算法limma，SAM，T-test ，Fisher’s exact test 进行分析。</span><table border="0"><tr><td><img src="new_Folder/Sam_small.jpg" width="200" height="200" /></td><td width="70"></td><td><img src="new_Folder/limma_small.jpg" width="200" height="200" /></td></tr><tr><td align="center">Sam分析的基因表达差异分布图</td><td>&nbsp;</td><td align="center">Limma分析的基因表达差异分布图</td></tr></table><p><span><font style="font-style:normal;font-weight:bolder" color="#000">聚类分析</font>，根据芯片间或者是差异表达基因间进行双向聚类。目的是对样本之间进行聚类，和基因之间的相似性进行分析。聚类的方法主要是层次聚类，K-means聚类，自组织映射。</span>    <table border="0"><tr><td><img src="new_Folder/heatmap_small.jpg" /></td><td width="70"></td><td><img src="new_Folder/kmeans_small.jpg" /></td></tr><tr><td align="center">双向聚类图</td><td>&nbsp;</td><td align="center">Kmeans聚类图</td></tr></table><p><span><font style="font-style:normal;font-weight:bolder" color="#000">生物标志物和标志谱鉴定</font></span> <p><span><font style="font-style:normal;font-weight:bolder" color="#000">基因注释和功能富集分析</span><table border="0"><tr><td><img src="new_Folder/GO_small.jpg" /></td><td width="70"></td><td><img src="new_Folder/GSEA_small.jpg" /></td></tr><tr><td align="center">差异表达基因在GO中的分布图</td><td>&nbsp;</td><td align="center">GSEA图</td></tr></table><p><span><font style="font-style:normal;font-weight:bolder" color="#000">绘制基因组表达图谱</font></span><p><img src="new_Folder/genemap_small.jpg"/><p></div>',
	_MicroRNA:'<h1 style="text-align:center" class="yellowsize">MicroRNA芯片分析</h1>  <span><font style="font-style:normal;font-weight:bolder" color="#000">芯片数据预处理、标准化(Normalization)</font>,将原始数据的“处理后数据”中的信号值提出，作为每个样本的原始表达值，然后进行片间标准化，并合并重复探针，根据不同的芯片而定，下面是标准化的图。<table border="0"><tr><td><img src="new_Folder/miRnabeforeboxplot_small.jpg" width="200" height="200" /></td><td width="70"></td><td><img src="new_Folder/miRnaafterboxplot_small.jpg" width="200" height="200" /></td></tr><tr><td align="center">标准化前的boxplot</td><td>&nbsp;</td><td align="center">标准化后的boxplot</td></tr></table><p><span></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">差异表达分析</font>，根据现在最流行的统计学算法limma，SAM，T-test ，Fisher’s exact test 进行分析。</span> <table border="0"><tr><td><img src="new_Folder/Sam_small.jpg" width="200" height="200" /></td><td width="70"></td><td><img src="new_Folder/limma_small.jpg" width="200" height="200" /></td></tr><tr><td align="center">Sam分析的基因表达差异分布图</td><td>&nbsp;</td><td align="center">Limma分析的基因表达差异分布图</td></tr></table> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">miRNA靶标基因的预测</font>，选取在11种预测方法中至少有5种预测算法预测一致的靶基因</span><br/><span><font style="font-style:normal;font-weight:bolder" color="#000">miRNA和基因表达、蛋白表达的数据整合</font>，基于MicroRNA的负调控属性，选取显著负相关的miRNA和gene进行网络分析</span><div align="center"><img src="New_Folder/miRNA_small.jpg"/><br/>miRNA调控示意图</div>',
	_EST:'<h1 style="text-align:center" class="yellowsize">EST文库</h1> <span><font style="font-style:normal;font-weight:bolder" color="#000">读取测序峰图(Base calling)</font></span> <div align="center"> <img src="New_Folder/EST_small.jpg"> </div><br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">文库基因注释, 筛查差异表达基因</font></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">基因注释和功能富集分析</font></span><br/><span><font style="font-style:normal;font-weight:bolder" color="#000">基因功能注释</font>，KOG分析</span><br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">SNP/突变分析</font></span>',
	_SAGE:'<h1 style="text-align:center" class="yellowsize">SAGE文库</h1> <span><font style="font-style:normal;font-weight:bolder" color="#000">测序峰图读入和质量评估</font></span> <div align="center"><img src="New_Folder/EST_small.jpg"> </div> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">校正测序错误</font></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">筛选差异表达标签</font>,根据Fisher’s exact test算法</span><br/><span><font style="font-style:normal;font-weight:bolder" color="#000">聚类分析</font></span> <div align="center"><img src="New_Folder/heatmap_small.jpg"> <br/> 双向聚类图</div><br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">标签注释</font></span><br/><span><font style="font-style:normal;font-weight:bolder" color="#000">基因功能和富集分析</font></span><br/>',
	_PCR:'<h1 style="text-align:center" class="yellowsize">Real-time qPCR</h1> <span>步骤一：绝对定量法 (Absolute quantification)</span> <br/> <span>步骤二：相对定量法 (Relative quantification)</span> <br/> <span>步骤三：差异表达分析</span>',
	_CGH:'<h1 style="text-align:center" class="yellowsize">arrayCGH</h1> <span><font style="font-style:normal;font-weight:bolder" color="#000">数据的标准化</font>，对原始数据进行标准化处理，是为了消除背景噪音，过滤脏数据以及去除同一实验的不同芯片之间的实验误差，将不同芯片的数据调整到同一水平，使之具有可比性。<table border="0"><tr><td><img src="new_Folder/cghbefore_small.jpg" width="200" height="200" /></td><td width="70"></td><td><img src="new_Folder/cghafter_small.jpg" width="200" height="200" /></td></tr><tr><td align="center">标准化前的boxplot</td><td>&nbsp;</td><td align="center">标准化后的boxplot</td></tr></table></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">Segmentation</font></span> <br/><div align="center"><img src="New_Folder/segmentation_small.jpg" /><br/>DNACopy和BioHMM算法的分析结果</div><br/><span><font style="font-style:normal;font-weight:bolder" color="#000">异常基因组区域鉴定</font></span><div align="center"><img src="New_Folder/cgh_13.jpg"/><br/>异常区段在全基因组的整合视图</div> <br/><span><font style="font-style:normal;font-weight:bolder" color="#000">基因注释以及功能富集分析</font></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">Copy Number Variation(CNV)和mRNA表达谱数据整合视图</font>，将所有样本鉴定的区域和mRNA的表达水平在全基因组定位，并做全基因组为背景的视图，可以直观看出他们在各种水平上表达的关系</span> <br/><div align="center"><img src="New_Folder/000_GeneExp_22.jpg"/> <br/> CNV和mRNA表达谱数据整合视图</div><br/>',
	_SNP:'<h1 style="text-align:center" class="yellowsize">SNP芯片分析</h1> <span><font style="font-style:normal;font-weight:bolder" color="#000">质量控制</font></span><div align="center"><img src="New_Folder/qcaffy_small.jpg"><br/>affy芯片质量控制图</div> <br/><span><font style="font-style:normal;font-weight:bolder" color="#000">探针过滤</font></span> <br/><span><font style="font-style:normal;font-weight:bolder" color="#000">Hardy-Weinberg平衡检测</font></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">Copy Number Variation (CNV)计算分析</font></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">杂合性缺失分析(LOH)</font></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">基因型分析（Genotype）</font></span><div align="center"> <img src="New_Folder/MAnhattan_small.jpg"/><br/>曼哈顿图</div><span><font style="font-style:normal;font-weight:bolder" color="#000">关联分析(Association study)</span><div align="center"> <img src="New_Folder/PCA_small.jpg"><br/>PCA示意图</div> <br/>',
	_CHIP:'<h1 style="text-align:center" class="yellowsize">CHIP-on-chip/Tiling Array</h1> <span><font style="font-style:normal;font-weight:bolder" color="#000">质量控制</font></span><div align="center"><img src="New_Folder/qcaffy_small.jpg"><br/>affy芯片质量控制图</div></span> <br/>  <span><font style="font-style:normal;font-weight:bolder" color="#000">数据标准化</font></span> <table border="0"><tr><td><img src="new_Folder/boxplot_1_small.jpg" width="200" height="200" /></td><td width="70"></td><td><img src="new_Folder/boxplot_2_small.jpg" width="200" height="200" /></td></tr><tr><td align="center">标准化前的boxplot</td><td>&nbsp;</td><td align="center">标准化后的boxplot</td></tr></table><br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">异常基因组区域鉴定</font></span> <br/> <span><font style="font-style:normal;font-weight:bolder" color="#000">启动子富集分析 </font></span> <br/>',
	_454:'<h1 style="text-align:center" class="yellowsize">高通量DNA测序(454/Solexa/SOLiD)</h1> <span>步骤一：Tag序列提取及计数</span><br/> <span>步骤二：差异表达分析</span> <br/> <span>步骤三：Tag-to-gene映射</span> <br/> <span>步骤四：基因聚类分析</span> <br/>  <span>步骤五：功能通路分析</span> <br/> <span>步骤六：基因网络分析</span> <br/>',
	_Methylation:'<h1 style="text-align:center" class="yellowsize">DNA甲基化芯片分析</h1> <span>步骤一：芯片背景校验</span><br/> <span>步骤二：芯片数据归一化（normalization）</span><br/> <span>步骤三：甲基化区域鉴定</span><br/> <span>步骤四：基因组甲基化差异区域分析</span><br/>',
	_EXON:'<h1 style="text-align:center" class="yellowsize">外显子芯片分析</h1> <span>步骤一：芯片背景校验</span><br/> <span>步骤二：芯片数据归一化（normalization）</span><br/> <span>步骤三：差异表达分析</span><br/> <span>步骤四：可变剪切分析</span><br/>',
	_Dian:'<h1 style="text-align:center" class="yellowsize">双向电泳</h1> <span>双向电泳图谱差异分析</span><br/> ',
	_Mass:'<h1 style="text-align:center" class="yellowsize">质谱数据分析</h1> <span>步骤一：肽段及蛋白质的鉴定</span><br/> <span>步骤二：翻译后修饰分析</span><br/> ',
	_protein:'<h1 style="text-align:center" class="yellowsize">蛋白质芯片分析</h1> <span>步骤一：蛋白质分析筛选</span><br/> <span>步骤二：疾病诊断生物标志物标志谱分析</span><br/>',
	_Structure:'<h1 style="text-align:center" class="yellowsize">蛋白质3D结构的预测及其功能的分析</h1>',
	_Seq:'<h1 style="text-align:center" class="yellowsize">蛋白质的多序列比对及进化分析</h1>',
	_network:'<h1 style="text-align:center" class="yellowsize">基因网络分析</h1> <span><font style="font-style:normal;font-weight:bolder" color="#000">网络的构建</font>,共表达网络的构建，计算基因之间的相关系数，取基因相关系数的阈值，选取相关系数大于阈值的两个基因存在一条边，建立基因共表达网络。通过基因互作数据库搜索，文本挖掘技术，对感兴趣的基因蛋白构建网络。 通过转录因子数据库搜索建立转录调控网络，对miRNA的靶标基因进行预测建立 miRNA调控网络</span><br/> <div align="center"><img src="New_Folder/network_small.jpg"/><br/>network示意图</div><br/><span><font style="font-style:normal;font-weight:bolder" color="#000">模块(module)检索</font>,蛋白质间互作的发生依赖于特定的实验条件,但是，由于目前互作鉴别技术内在的局限性，互作信息还不能提供互作发生对应的时空信息,现有的互作信息是静态的信息，一组基因间的互作是多个实验条件下互作关系的一种累积.因此，我们的目的是借助于基因表达谱提供的基因表达信息反映基因的活性然后对原始的互作网络进行筛选，从而得到实验条件下的应答子网.</span><div align="center"><img src="New_Folder/module_small.jpg"/><br/>网络模块示意图</div><br/><span><font style="font-style:normal;font-weight:bolder" color="#000">网络模块的功能分析</font></span>,对于搜索出的模块进行功能的分析，检测这个模块的具体功能',
	_GWAS:'<h1 style="text-align:center" class="yellowsize">全基因组关联分析(GWAS)</h1> <span><font style="font-style:normal;font-weight:bolder" color="#000">全基因组关联分析(Genome Wide Association Study, GWAS)</font>主要目的是寻找生物标志物和标志谱，通过建立数学模型，可以准确的预测未知样本的表型，发现表型相关基因。要求有足够多的样本和足够多的候选位点，通过表型和基因型关联度的分析手段，在提高预测准确率的同时对候选位点进行降维处理，往往协同机器学习算法(machine learning algorithm)和其他数学模型，在实现有效降维的同时提高预测准确率。</span><br/><table border="0"><tr><td><img src="new_Folder/PCA_small.jpg" width="200" height="200" /></td><td width="70"></td><td><img src="new_Folder/ROC_small.jpg" width="200" height="200" /></td></tr><tr><td align="center">PCA示意图</td><td>&nbsp;</td><td align="center">ROC曲线示意图</td></tr></table>' 
};